Machine Learning e Deep Learning: cosa sono? Guida facile

Per affrontare il mondo del machine learning e deep learning, uno dei concetti da cui si deve partire è necessariamente quello dell’intelligenza artificiale.

L’AI è l’insieme delle procedure e delle discipline che mirano a far sì che le macchine pensino e agiscano come gli esseri umani. Attualmente nessun computer agisce e pensa come un essere umano. I computer sono bravi ad applicare regole ed eseguire azioni, ma a volte un’azione semplice per un essere umano potrebbe essere davvero impossibile da realizzare per un computer.

Le macchine non sono ancora arrivate a questo grado di perfezione ma machine learning e deep learning rappresentano due branche che potrebbero contribuire a raggiungere determinati risultati. L’obiettivo, infatti, è analizzare i grandi volumi di dati e prendere delle decisioni non contemplando l’intervento umano.

Vediamo brevemente cosa sono il Machine Learning e Deep Learning nelle prossime righe.

Che cos’è il Machine Learning?

Il machine learning è una sottobranca dell’intelligenza artificiale che punta a configurare delle macchine in maniera tale che siano in grado di eseguire attività senza che ci sia una programmazione esplicita.

Generalmente, alle macchine vengono forniti dei dati strutturati che consentono loro di “imparare” a compiere determinati azioni. I dati strutturati non sono altro che dei dati che possono essere inseriti in colonne e righe. Spesso li troverai sotto forma di file excel.

Una volta programmato, un computer può acquisire nuovi dati indefinitamente, ordinandoli e agendo su di essi senza bisogno di ulteriore intervento umano.

Un campo di applicazione del Machine Learning è anche quello dell’IOT (Internet Of Things) grazie al quale le macchine sono provviste di algoritmi che rilevano problemi e anormalità, e  sanno quando devono ricevere manutenzione; questo naturalmente aiuta ad abbattere costi enormi per le aziende, senza che le macchine siano continuamente controllate da un umano. Altri esempi più vicini al nostro quotidiano del Machine Learning sono per esempio nella domotica moderna con termostati, luci o serrande connesse che imparano le preferenze di chi le utilizza, per creare un ambiente personalizzato a misura d’utente.

Apprendimento supervisionato e apprendimento semi-supervisionato

L’apprendimento supervisionato è un sottoinsieme del machine learning che richiede l’intervento umano in maniera più continua. Ecco perché la macchina riceve dei dati e un modello che gli insegnerà a rispondere correttamente ai dati che gli vengono forniti.

Una volta realizzato il modello, è possibile inserire i dati nel computer in maniera tale da vedere come risponde. Successivamente, chi si è occupato della programmazione può applicare delle correzioni per eventuali risposte sbagliate.

Invece, nell’apprendimento semi-supervisionato, al computer saranno forniti dati etichettati correttamente e non. Il compito della macchina è quello di ricercare autonomamente i modelli.

Apprendimento senza supervisione

Infine, c’è anche l’apprendimento senza supervisione che utilizza dei dati senza etichetta, quindi senza usufruire di esempi per l’apprendimento. In questo contesto, il computer avrà la libertà di trovare degli schemi e delle associazioni nel miglior modo possibile.

Un esempio di apprendimento non supervisionato è il “clustering”, mediante cui il computer organizza dei dati in temi e in livelli comuni; l’obiettivo di questa tecnica esplorativa è quello di trovare dei pattern, delle somiglianze nei dati per creare dei gruppi.

Che cos’è il deep learning?

I modelli di deep learning introducono un approccio sofisticato all’apprendimento automatico e sono destinati ad affrontare queste sfide perché sono stati modellati in modo specifico sul cervello umano.

Le “reti neurali profonde” complesse e multistrato sono costruite per consentire il passaggio di dati tra nodi (come i neuroni) in modi altamente connessi. Il risultato è una trasformazione non lineare dei dati sempre più astratta.

Sebbene siano necessari enormi volumi di dati per “alimentare e costruire” un tale sistema, può iniziare a generare risultati immediati e c’è relativamente poco bisogno dell’intervento umano una volta che i programmi sono in atto.

Tipi di algoritmi di Deep Learning

Un numero crescente di algoritmi di deep learning rende questi nuovi obiettivi raggiungibili. Ne tratteremo due qui solo per illustrare alcuni dei modi in cui data scientist e ingegneri stanno applicando il deep learning.

Reti neurali convoluzionali

Le reti neurali convoluzionali sono algoritmi appositamente costruiti progettati per funzionare con le immagini. La convoluzione non è altro che il processo che si occupa di applicare un filtro basato sul peso di ogni immagine. In questa maniera, il computer sarà aiutato a comprendere quali sono gli elementi presenti all’interno dell’immagine stessa.

Questo approccio è interessante quando si deve effettuare una scansione di un volume elevato di immagini considerando un elemento oppure una caratteristica. Ad esempio, potrebbe essere d’aiuto per scansionare le immagini di un fondale oceanico e scoprire i segni di un naufragio.

Reti neurali ricorrenti

Invece, le reti neurali ricorrenti sono in grado di introdurre nel machine learning un elemento fondamentale e che non è presente in algoritmi più semplici. Stiamo parlando della memoria.

Grazie a questo fattore, le macchine saranno in grado di considerare dati e decisioni passate quando devono essere analizzati dei dati attuali.

Le reti neurali ricorrenti rappresentano uno strumento fondamentale quando si tratta di elaborare il linguaggio naturale. Ma quali sono le applicazioni pratiche?

Facendo un esempio, un essere umano sarà sicuramente più in grado di comprendere il testo se è consapevole del tono e del contenuto che lo hanno preceduto. Parimenti, un computer sarà in grado di proporre delle indicazioni stradali migliori se “ricorda” che durante il sabato sera c’è molto traffico ed è necessario privilegiare un percorso diverso.

Nei moduli del nostro Master in Data Science da remoto il Machine Learning è uno degli argomenti centrali e gli studenti imparano le tecniche di clustering.